İşlem izleme modellerinin manuel olarak değerlendirilmesi yavaştır ve hatalara açıktır ve hatalar potansiyel olarak büyük para cezalarına neden olur. Bundan kaçınmak için bankalar giderek daha fazla otomatik makine öğrenimine yöneliyor.

Düzenleyiciler, bankaların ve finans kurumlarının işlem izleme sistemlerinin etkinliğini gösterebilmelerini giderek daha fazla beklemektedir.

Bu sürecin bir parçası olarak, bankaların kullandıkları modelleri değerlendirmeleri ve göreve hazır olduklarını doğrulamaları (ve belgelemeleri) gerekir. Yeterince etkili bir kara para aklama önleme programını sürdürmekte başarısız olan kurumlar,
sık sık büyük cezalarla vurulur1 milyar doları aşan birkaçı da dahil.

ABD Adalet Bakanlığı (DoJ) başsavcı yardımcısı Lisa Monaco, bir açıklama yaparken

Danske Bank için son para cezası, şirketlerin sağlam uyum programlarına yatırım yapmasını beklediği söyleniyor. Bunun yapılmaması, milyarlarca dolarlık bir suçun kabulüne giden tek yönlü bir bilet olabilir.

Bu tür tehditler, daha küçük bankalar ve FI'lar üzerinde ek baskı oluşturuyor. Daha büyük kurumlar, veri bilimci ordusu nedeniyle genellikle daha az mücadele edecek olsa da, model doğrulama ve değerlendirme, daha sınırlı kaynaklara sahip oyuncular için bir yük olabilir.

Model nedir?

ABD'de bankalar genellikle işlemleri kural tabanlı bir parametre ve eşik sistemi kullanarak izler. Genel kurallar, belirli bir süre boyunca işlemlerin değerini veya işlemlerin hacmindeki veya değerindeki artışı saptar. Yeterli koşullar karşılanırsa, bir uyarı tetiklenir.

Düzenleyiciler en basit hallerinde bile bu tür sistemleri model olarak kabul ederler. Denetleyici rehberliğe göre

OKS 2011-12, bir model, girdileri işleyen ve raporlar üreten herhangi bir nicel yaklaşım olarak tanımlanır. Uygulamada, tipik bir kural tabanlı işlem izleme sistemi birden fazla kural katmanı içerir.

Karmaşıklıktan bağımsız olarak, bankalar model risklerini uygun şekilde yönetmelidir. Bankaların dikkate alması gereken üç ana model riski türü vardır:

• Özellikler – Model beklenen kalitede çıktılar üretiyor mu, kullanışlı mı?
• Uygulama – Model tasarıma göre uygulanıyor mu? Örneğin, veriler belirtilen kaynak/kalite ile eşleşiyor mu?
• Uygulama – Model uygun şekilde kullanılıyor ve yorumlanıyor mu?

Bunlar sorulması kolay sorulardır, ancak cevaplamak son derece zor olabilir. OCC denetim kılavuzu, bankaların model risklerini tıpkı diğer herhangi bir risk türü gibi yönetmesi gerektiğini şart koşar; buna "model sınırlamalarını ve varsayımlarını belirleyebilen ve uygun değişikliği üretebilen objektif, bilgilendirilmiş taraflarca yapılan kritik analiz" dahildir.

Bu kılavuz, bankaların modellerinin tasarım hedefleri ve iş kullanımları doğrultusunda beklendiği gibi performans göstermesini sağlamaları gerektiğini belirtmektedir. Etkili bir doğrulama çerçevesinin temel unsurlarını şu şekilde tanımlar:

• gelişimsel kanıtlar da dahil olmak üzere kavramsal sağlamlığın değerlendirilmesi;
• süreç doğrulama ve kıyaslama dahil olmak üzere sürekli izleme; Ve
• geriye dönük testler de dahil olmak üzere sonuç analizi.

Mevzuata uygunluk

ABD yaptırım uygulanan ülke ve bireylere erişimi kısıtlamaya ve genel olarak mali suçları engellemeye çalışırken, düzenleyiciler çıtayı yükseltmeye devam ettiler.

2018'den bu yana, New York Eyaleti Mali Hizmetler Departmanı, kurulların veya kıdemli görevlilerin
yıllık bir “uygunluk bulgusu” bir kurumun işlem izleme ve yaptırım filtreleme programlarının etkinliğini onaylar.

Bunu bir adım daha ileri götürerek,
DoJ 2022'de açıklandı üst düzey yöneticilerin ve baş uyum görevlilerinin uyum programlarının tasarımını ve uygulamasını onaylama zorunluluğunu değerlendirdiğini söyledi. Ukrayna'daki savaş uzadıkça devam eden jeopolitik gerilimlerle, bir uyum başarısızlığının potansiyel maliyeti yalnızca artacaktır.

Modellerin düzenlenmesi, etkili risk kontrolleri için bu geniş gereksinimler kapsamına girer. Bankaların modelleri değerlendirirken izledikleri yaklaşım duruma göre değişiklik gösterse de, genel ilkeler eşit şekilde geçerlidir.

Benzer şekilde, model değerlendirmesinin sıklığı riske dayalı bir yaklaşım kullanılarak belirlenmelidir; bu, tipik olarak bir birleşme veya devralma veya yeni ürünlere, hizmetlere, müşteri türlerine veya coğrafi bölgelere genişleme gibi kurumun risk profilindeki önemli değişikliklerden kaynaklanır. Bununla birlikte, düzenleyiciler, modellerin her 12-18 ayda bir değerlendirilmesini giderek daha fazla beklemektedir.

Model değerlendirme zorlukları

Finansal işlemlerin doğası ve hacmi geliştikçe, kural tabanlı modellerden çok daha fazlasını yapmaları istenmektedir. Yeni tehditler ortaya çıktıkça, modeller giderek daha karmaşık hale geldi (daha etkili olmasa da). Ne yazık ki, çoğu göreve hazır değil.

Birçok durumda model, kurum içinde çok az kişinin anladığı kafa karıştırıcı bir kara kutu haline geldi. Yıllar içinde veri akışlarında, senaryo mantığında, sistem işlevlerinde ve personelde yapılan değişiklikler, modelin nasıl çalıştığını açıklayan belgelerin eksik veya yanlış olduğu anlamına gelebilir. Tüm bunlar, küçük bankalar için değerlendirmeyi çok zorlaştırabilir. İlk kez yapılan bir değerlendirme neredeyse kesinlikle zaman alıcı, maliyetli ve muhtemelen kusurlu olacaktır.

Ancak, zorluklar ortadan kalkmıyor. Pandemi sırasında hızlanan tüketici davranışındaki değişiklikler kalıcı olacak. Bankalar ve FI'lar, çevrimiçi hizmetleri ve ödeme yöntemlerini büyük ölçüde artırarak operasyonlarını dijitalleştirdiler. Tüketiciler aynı zamanda dijitale öncelik veren iş modelleriyle rakip bankalara geçiş yapma konusunda daha fazla isteklilik gösteriyor.

Bu değişiklikler daha fazla güvenlik açığı yarattı. Çevrimiçi hizmetlerin yaygınlaşması AML başarısızlıkları için daha fazla fırsat yaratırken, rekabetçi baskılar uyumluluk bütçelerini baskı altına alıyor. Ayak uydurmak için FI'ların yeni tehditlere hızlı ve esnek bir şekilde yanıt vermesi gerekir.

Otomatik Makine Öğrenimi ile daha iyi model değerlendirmesi

Bu model değerlendirme süreci, otomatik makine öğrenimi (AutoML) kullanılarak optimize edilebilir. Bu, modellerin sürekli olarak (veya kısa döngülerde) standartlaştırılmış bir süreçle değerlendirilmesine olanak tanır ve bu da daha yüksek kaliteli değerlendirmelere yol açar. Buna karşılık, manuel yaklaşım yavaştır ve hataya çok açıktır.

AutoML modelleri çok büyük veri kümeleri alır, bu verilerde kodlanan davranışlardan ders alır ve kara para aklama kanıtı gösteren kalıpları ortaya çıkarır. AML düzenlemelerinin hızla değişen manzarası, artan işlem ve müşteri sayısıyla birleştiğinde, geleneksel proje bazında manuel yaklaşıma neredeyse hiç yer bırakmıyor. Bu nedenle endüstri giderek daha yıkıcı bir yaklaşıma bakıyor: müşterilerin iyi davranışlarıyla eğitilmiş modeller. AutoML ile birlikte bu geleneksel olmayan yöntemin sonuçları, bankaların yeni gerçekliğe uyum sağlamasına ve neredeyse tüm yeni suç modellerinin önünde kalmasına olanak tanıyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
• Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
• PREIPO® ile PRE-IPO Şirketlerinde Hisse Al ve Sat. Buradan Erişin.
• Kaynak: https://www.finextra.com/blogposting/24170/securing-weak-spots-in-aml-optimizing-model-evaluation-with-automated-machine-learning?utm_medium=rssfinextra&utm_source=finextrablogs